Python 如何对内部损失函数进行建模和预测？（Tensorflow，Keras）

我正试图用以下结构为回归问题构造一个自定义损失，答案如下：

现在，我的函数如下所示：

def CustomLoss(model,X_valid,y_valid,batch_size):
    def Loss(y_true,y_pred):
        n_samples=5
        mc_predictions = np.zeros((n_samples,256,256))
        for i in range(n_samples):
           y_p = model.predict(X_valid, verbose=1,batch_size=batch_size)
    (Other operations...) 
        return LossValue
    return Loss

当试图执行这一行时

y\u p=model.predict（X\u有效，verbose=1，batch\u size=batch\u size）

我得到以下错误：

方法需要处于跨副本上下文中，请使用get\u replica\u context（）。merge\u call（）

从我收集的资料来看，我无法使用模型。预测内部损失函数。是否有解决此问题的方法或解决方案？

---

请让我知道我的问题是否清楚，或者您是否需要任何其他信息。谢谢

听起来您可以使用model.add\u loss进行此操作。您可以使用它来指定模型内部的损失函数。它还消除了损失函数只接受y和y_pred的需要。 \一些psuedo代码：

class YourModel(tf.keras.Model): 
    ...
    def call(self, inputs): 
        unpack, any, extra, stuff = inputs
        (your network code goes here)
        loss = (other operations)
        self.add_loss(loss)
        return output

---

（如果你不知道，model.predict基本上只是model.call，但附加了一些额外的提示。）

如果你真的想，我想你可能可以破解它。本质上，主要问题是predict被设计为调用静态图，因此不能成为静态图的一个组件。我认为您不想/不需要使用predict，因为您可能已经拥有X/Y中的所有数据信息，您能说明为什么不使用predict或提供更多的上下文吗？我想预测损失函数中的n_样本，以生成贝叶斯近似值。因此，我不必比较

y\u-true

和

y\u-pred

而是可以比较

y\u-true

和

y\u-bayesian

。我希望这有助于在没有梯度的情况下计算y_贝叶斯？你能不能把y_Bayes传递给自定义损失？y_Bayes在每个时期都会发生变化。这就是为什么我的第一个想法是在损失函数中预测更新y_贝叶斯。除了分步训练，还有其他选择吗？谢谢你，你有一些选择，你可以使用GradientTape做一个自定义的训练循环，或者你可以做一个自定义的拟合，或者你甚至可以在批号上加一个条件，在你的时代结束时更新y_Bayes。谢谢你的建议。我一定会努力的。为模型使用类的优势是什么？与使用顺序模型相比，它更具可定制性和灵活性。使用OOP方法也很好。对于简单的事情，它可能会有点冗长。